CCI-22 CCI-22 Matemática Computacional Auto-valores e auto-vetores Notas complementares Carlos Henrique Q. Forster Auto-valores e auto-vetores 10 − 4 A= 12 − 4 1 1 A⋅ = 2⋅ 2 2 2 2 A⋅ = 4⋅ 3 3 Av = λv ( A − λI )v = 0 Sistema homogêneo só tem solução não-trivial se a matriz de coeficientes for singular det ( A − λI ) = 0 Polinômio característico da matriz A. 10 − λ det 12 −4 =0 − 4 − λ P (λ ) = λ2 − 6λ + 8 = 0 λ1 = 2 λ2 = 4 Propriedades de auto-valores Fazendo os vetores da forma 1 vi = x − 4 1 10 − 2 ⋅ =0 − 4 − 2 x 14 λ1 = 2 → 1 8 − 4 x = 0 → x = 2 → v1 = 2 O traço da matriz (soma dos elementos da diagonal) é igual à soma dos auto-valores. O determinante da matriz é igual ao produto dos auto-valores. Se λi são autovalores de A, então 1/λi são autovalores de A-1. A transposta de A possui os mesmos autovalores de A. − 4 1 10 − 4 1 ⋅ = 0 → v2 = − 4 − 4 x 14 3 / 2 λ2 = 4 → Propriedades de matrizes e autovalores Matriz diagonalizável Seja A=P-1BP. Se existe a matriz P inversível, então A e B são ditas similares. Matrizes similares possuem os mesmos autovalores. (E portanto, mesmo traço, mesmo determinante e mesmo posto). Numa matriz real simétrica, todos os autovalores são reais. Uma matriz é dita positivo-definida se zTMz>0 para qualquer vetor z real não-nulo. Numa matriz positivo-definida, todos autovalores são positivos. Uma matriz é diagonalizável se for quadrada e similar a uma matriz diagonal, isto é, A é diagonalizável se existe P tal que: A=P-1DP, onde D é diagonal. Uma matriz diagonalizável terá auto-vetores linearmente independentes Alguns casos especiais 2 0 0 2 Decomposição espectral 2 0 Auto-valor nulo 0 0 Auto-valor múltiplo 0,3 0,4 − 0,4 0,3 Auto-valores complexos No caso de uma matriz diagonalizável A com n autovalores λi e seus autovetores correspondentes (e linearmente independentes) Av i = λi v i , i = 1..n Na forma matricial: 1 0 2 Matriz defectiva: A multiplicidade algébrica não corresponde à multiplicidade geométrica 1 (multiplicidade 2, mas apenas 1 auto-vetor) 2 0 0 3 Dois auto-valores e autovetores correspondentes M A ⋅ v 1 M M v2 M M M v 3 = λ1 v1 M M M λ2 v 2 M M λ3 v 3 M Decomposição espectral Decomposição espectral Como multiplicamos cada *coluna* por um escalar diferente, utilizamos a multiplicação à direita por uma matriz diagonal para representar essa operação. Como V contém colunas linearmente independentes, podemos invertê-la e reescrever o problema de autovalor da forma: A = V ⋅ Λ ⋅ V −1 AV = V ⋅ Λ onde M V = v 1 M M v2 M M v 3 M e λ1 0 Λ = 0 λ2 0 0 0 0 λ3 Que é a decomposição espectral da matriz A Exemplo Exemplo(cont) Fixando o primeiro elemento de cada vetor no valor 1, encontramos os auto-vetores: 14 − 2 7 A = − 3 − 10 2 − 12 − 28 5 7 − λ D(λ ) = det( A − λI ) = det − 3 − 12 14 − 10 − λ − 28 −2 2 5 − λ = −λ3 + 2λ2 + 11λ − 12 = 0 Raízes: 1 1 1 v1 = − 0,5, v2 = − 1, v3 = − 1 − 4 − 2 − 2 Que forma a matriz V: 1 1 1 V = − 0,5 − 1 − 1 − 2 − 4 − 2 Cuja inversa é... 2 0 2 V −1 = − 1 0 − 0,5 0 − 2 0,5 λ1 = 4 λ2 = 1 λ3 = −3 Exemplo Aplicações Assim a decomposição espectral de A é: Solução de sistema: 14 − 2 1 1 1 4 0 0 2 2 0 7 A = − 3 − 10 2 = − 0,5 − 1 − 1 ⋅ 0 1 0 ⋅ − 1 0 − 0,5 − 12 − 28 5 − 2 − 4 − 2 0 0 − 3 0 − 2 0,5 Ax=b, decompondo A: VDV-1x=b x=VD-1V-1b Inversa: A=VDV-1 A-1=VD-1V-1 Note que a inversa da matriz diagonal é simplesmente uma matriz diagonal com os recíprocos dos elementos da matriz diagonal original. Aplicações Aplicações Soma com mesmos auto-vetores: Potência de matrizes: A2=AA=VDV-1 VDV-1= VD2V-1 An = VΛnV −1 Escala Notar que: λ1n λ1 λ2 → Λn = Λ= O λ m A1=VD1V-1 A2=VD2V-1 A1+A2=V(D1+D2)V-1 Basta portanto, somar os auto-valores nas matrizes D λ2 n O n λm aA=V(aD)V-1 Polinômio matricial P(A)=V P(D) V-1 Exponencial de matriz Exp(A)=V Exp(D) V-1 Assim, basta aplicar a função a cada elemento da diagonal. Exemplo Exemplo(cont) Lembrando a série de Fibonacci, com a definição recursiva: Encontrar a decomposição da matriz: F(0)=1 F(1)=1 F(n+1)=F(n)+F(n-1) 1 1 A= 1 0 Reescrevemos na forma matricial: 1 − λ det 1 F ( n + 2) 1 1 F (n + 1) F (n + 1) = 1 0 ⋅ F (n) λ1 = 1 = λ2 − λ − 1 = 0 − λ 1+ 5 1− 5 , λ2 = 2 2 Obtemos os auto-vetores, Fazendo vi=[x y]T, com x=1 e substituindo em x + y = λx → y = λ − 1 O resultado da decomposição é: 1 1 v1 = 5 − 1, v2 = − 5 − 1 2 2 Encontrando a inversa da matriz dos auto-vetores. 1 V = 5 −1 2 5 + 5 1 −1 10 − 5 − 1 , V = 5 − 5 2 10 5 5 − 5 5 1 A = 5 −1 2 1 + 5 1 2 − 5 −1 2 0 5 + 5 10 1− 5 5 − 5 2 10 0 5 5 − 5 5 Para calcular F(n) a partir do vetor [1 1]T: F ( n) T n F (n − 1) = A [1 1] 1 F ( n) n −1 F (n − 1) = VD V 1 Justificativa para os métodos de GaussSeidel e Jacobi Abrindo a expressão matricial, obtemos: n 1 1+ 5 1 1− 5 − F ( n) = 5 2 5 2 n Qual o polinômio de Taylor para calcular o recíproco de um número real? É recomendável calcular ao invés disso, a seguinte função: f ( x) = 1 = 1+ x + x2 + L 1− x Para quais valores de x a série é válida para calcular o recíproco de 1-x? No caso matricial, podemos usar a seguinte série de Taylor para obter uma matriz inversa: (I-T)-1=I+T+T2+T3+... Se o raio espectral ρ(T)<1, então “1” não é auto-valor de T, “0” não é auto-valor de (I-T), então (I-T)-1 existe. x k +1 = Tx k + c converge se ρ(T)<1, independente de x 0 A sequência gerada por A convergência dessa série depende do chamado “raio espectral” da matriz T, isto é, o maior auto-valor em módulo de T: ρ (T ) = λ max (T ) x k + 2 = T (Tx k + c) + c = T 2 x k + (T + I )c x k = T k x 0 + (T k +1 + L + T 2 + T + I )c Decomposição de Cholesky Quando k tende a infinito, temos: lim x k = ( I − T ) −1 c k →∞ Com a matriz A=D-L-U, onde D são os elementos da diagonal, -L aqueles debaixo dela e -U aqueles acima dela: Jacobi: T=D-1(L+U) e c=D-1b Seidel: T=(D-L)-1U e c=(D-L)-1b Propriedades da matriz real C=ATA de posto completo: Simétrica Positiva-definida Estas são condições necessárias e suficientes para que exista uma matriz triangular inferior L tal que: C=LLT c11 c12 c 21 c22 c31 c32 c11 c12 c 21 c22 c31 c32 c13 l11 0 c23 = l21 l22 c33 l31 l32 0 l11 l21 l31 0 ⋅ 0 l22 l32 l33 0 0 l33 2 c13 l11 l21l11 2 2 c23 = l21l11 l22 + l21 c33 l31l11 l32l21 + l32l22 l31l11 l32l21 + l32l22 2 2 2 l33 + l32 + l31 Igualando termo a termo (notar que é simétrica) c11 c12 c 21 c22 c31 c32 l11 = c11 l21 = A solução do sistema Cx=b é muito similar ao método utilizado na decomposição LU: Resolve-se Ly=b Resolve-se LTx=y c12 l11 2 c13 l11 l21l11 2 2 c23 = l21l11 l22 + l21 c33 l31l11 l32l21 + l32l22 l31l11 l32l21 + l32l22 2 2 2 l33 + l32 + l31 c13 l11 c23 − l21l31 l22 l31 = l22 = c22 − l21 l32 = 2 2 l33 = c33 − l31 − l32 2